时间序列模型如果在过去一段时间内实测值之间存在某种稳定的关系.DOCVIP

时间序列模型 　　　　如果在过去一段时间内，实测值之间存在某种稳定的关系，我们就可以用时间序列模型做短期预测。从简单的N时期移动平均模型到复杂、有用的指数平滑模型。　　1.N时期移动平均法　　有时，过去一段时期内的观测具有随机性，因此，我们并不能确定在此基础上所做的预测是否准确。对预测期的选择非常重要，它要建立在符合需求的特性以及使用信息能力的基础上。例如，快餐店对某天某个小时做需求预测。　　N时期移动平均法可以剔除随机变量，并对平均出租率作出可靠的估计。选择N个最近时期准确的实测值At和时期t。可用以下方程计算出移动平均数MAt 　　虽然N时期移动平均数已经显示出平均情况的变化，但是因为在计算平均值时新、旧数据被赋予了相同的权重（1/N），导致这种方法对变化反应得比较慢。因为越新的数据就能更好地表示出变化的情况，所以希望可以赋予新的实测值更大的权重。　　2.简单指数平滑法　　简单指数平滑法是时间序列模型中用于需求预测的最常用方法。它也可以剔除数据中的偶然出现的因素，但是它比N时期移动平均法要好。其主要优点表现在：㈠旧数据不会被有意删掉或丢失；㈡旧数据的权重会逐渐下降；㈢计算简单，仅需要最新的数据。　　简单指数平滑法的基础是：反馈出预测的错误，纠正以前的平滑值。如下方程，St是时期的指数平滑值，At是t时期的实测值，α是取值一般在0.1~0.5之间的平滑常数。 　　（At-St-1）是实测值和计算出来的前期的指数平滑值的差值，它表示预测的误差。将其乘以α再加上前期的平滑值，旧得到新的指数平滑值St。值得注意的是，预测误差的取值可正、可负。简单指数平滑法假定数据的分布是依据一个恒定的平均值形成的。因此，对计算出的第t时期平滑值取整可以作为t+1时期的预测值。 　　1)α和N之间的关系　　α的取值是建立在历史数据的基础上，对变化中近期的数据给予更大的权重，因此这是一种判断。为了有利于确定α，我们可以找出移动平均法中N的大小和指数平滑法中α的关系。如果过去数据的平均时期是相等的，那么我们就假定这两种方法具有相似性，可得出以下关系：　　移动平均法：　　平均时期= 　　指数平滑法：　　平均时期= 　　如上所示，与相同的移动平均法预测的时期数量相比较，指数平滑值一般在0.1~0.5之间是合理的。在对一个稳定平均值随机变动的过高反应和找出平均值的变化之间进行取舍，我们就可以给α一个特定的值。α值越高，对变化就越敏感，这是因为近期数据的权重更大。实际上，α值的选取通常是在有平均绝对偏差（MAD）测出的预测误差的最小值的基础上进行的。　　2)预测误差　　如何测量预测的精确度呢？一个经常使用的方法就是计算平均绝对偏差（MAD），也就是将绝对值求和然后除以实测的时期数。任何时候，我们都希望按照数据实际平均值的走势，作出无偏预测。因而，考虑到正、负数的差别，预测误差的总和应趋于零。如果不是这样，我们应该找出趋势或季节变化下隐含的东西，并清楚说明原因。　　3)考虑趋势调整的指数平滑法　　一组数据的趋势是指在过去一段时期被观测值从某一时期向另一时期变化的平均变化率。由趋势引起的变化可以用简单指数平滑法的扩展方法来处理。也就是在原先的平滑值中加入一个趋势值Tt-1，用以说明增长变动率。 在计算中考虑趋势调整时，我们使用β作为平滑节。该常数通常被设定为0.1~0.5之间，可能与α相同，也可能不相同。上式变为： 4)考虑季节性调整的指数平滑法 　　指数平滑法的另一种扩展模型是考虑到季节性影响的指数平滑法。首先，用最简单的方法剔除数据中的季节性；然后用所学知识将这些数据修匀；最后，重新加入季节性以做出预测。　　通常要设定一个周期L，作为一个季节的长度。L可以是任何时间长度，甚至可以是一天的24小时。在开始用指数平滑法计算、预测之前，至少要有一个完整季节的实测值。现引入季节指数It来剔除给定周期L的季节性影响，用t时期的真实值At除以周期L内所有时期的平均值A，求出It 　　式中， 如果季节指数是稳定的，那么只根据一个周期L作出的预测应该是可靠的。然而，如果指数不稳定，那么就需要调整，修正，新的数据也就可靠了。根据最近t时期的真实值At求出平滑值St可以找到新的时期季节指数（At/St）。将指数平滑的概念应用于指数中，我们引入一个新的常数γ，通常将其定为0.1~0.5之间。季节指数的平滑估计可用下式求出： 5)考虑趋势和季节性调整的指数平滑法 　　要作出更精确的预测报告，必须对趋势或季节单方进行调整，以做出平均值的最优估计。但有时，还必须考虑所有要素才能提高预测精度。通过给带有趋势和季节指数的基本的平滑值加权，我们就可以用既考虑趋势又考虑季节性调整的指数平滑法对下个时期进行预测。　　相应公式如下： 　　6)指数平滑法小结